※ [本文轉錄自 EE_Comment 看板 #1OZuRzxn ] 作者: Rubb9diaw (Rubb9diaw) 看板: EE_Comment 標題: [評價] 105-1 李宏毅 機器學習 時間: Tue Jan 31 02:33:30 2017 ※ 本文是否可提供臺大同學轉作其他非營利用途？（須保留原作者 ID） （是／否／其他條件）：是 哪一學年度修課： 105-1 ψ 授課教師 (若為多人合授請寫開課教師，以方便收錄) 李宏毅 δ 課程大概內容 Gradient Descent Linear Regression(HW1) Logistic Regression(HW2) Backpropogation NN,CNN(HW3) Semi-supervised Learning(HW3) Unsupervised Learning(HW4) Transfer Learning Structure Learning Deep Reinforcement Learning Ω 私心推薦指數(以五分計) ★★★★★ ★★★★+0.5 η 上課用書(影印講義或是指定教科書) 老師投影片＋參考資料 μ 上課方式(投影片、團體討論、老師教學風格) 用投影片上課，有幾次是請人來演講。 個人認為老師講解的很清晰，也會拿一些語音上或是影像上的舉例，但個人認為許多數學證明部分老師會帶的比較快，也比較不過於深入，可能這門課比較注重於實作的部分，讓人覺得數學證明部分稍顯不足，略微可惜。 σ 評分方式(給分甜嗎？是紮實分？) 作業 40% (一共四份，都是用Kaggle競賽的方式做排名，作業有時候會有Bonus) final project 60% (一樣有一些Bonus) 最後學期總成績應該是會最高分超過100，聽說最後分數還有做微調，調整A+的比例，大概30%左右A+ 個人覺得扎實偏甜 ρ 考題型式、作業方式 四個作業分別實作Linear Regression, Logistic Regression, CNN, Unsupervise Learning 像我寫程式比較弱的就花滿多時間的，前面兩份作業都是要自己手寫不能用套件，所以比較花時間。 後面兩份作業是可以用套件的，本人就用了Keras和sklearn，基本上丟進去套件就滿快的，剩下的比較是調參數，做一些實驗的部分。 每份作業都會寫一份報告，報告的問題助教都會規定，基本上照著做，該分析的有分析到都會有不錯的分數。 最後final project就是有三個Kaggle上的題目，可以三個都同時做，最後取最理想的來評分。 像我這組三個人，除了我以外兩個都是大腿，其中一人就讓我們第一題直接起飛，我和另一個人做第三題反而沒有做得很好。 但final project是真的需要花點時間的 期末最後一堂課老師會請三個題目的前5%組別上台Demo，就看得出來有些組別不只很厲害，也有花時間下去才有這麼好的結果。 ω 其它(是否注重出席率？如果為外系選修，需先有什麼基礎較好嗎？老師個性？ 加簽習慣？嚴禁遲到等…) 今年加簽是大家先回去寫HW0，滿基礎的就是看會不會用Python，兩題一題主要是parse data，另一題是讀一個圖進來，然後輸出一個轉180度的圖。最後用Github上傳給助教批改，可能也是順便看會不會用Github，但助教的投影片都有講解清楚，就一步一步照著做沒有問題。 但最後人真的太多了，老師好像只簽電資學院的人，還是有將近240名學生。 Ψ 總結 這門課不失為一門好課，可以對機器學習有了解，也可以大略知道在不同領域有什麼應用，像老師的老本行應該是語音處理，上課有時候就會用語音舉點例子。 作業方面也很注重實作，會真的寫個程式，然後花不少時間去跑去做實驗，然後再做一個報告分析數據和結果。但基本上不會刁難人，也很容易在網路上找到資源做參考。 助教的話每個都很厲害也很負責，畢竟改作業要重跑大家的code，有時候跑到爛掉還是可以讓大家去助教實驗室去改，然後酌量扣分，滿辛苦的。 但比較可惜的一樣就是數學的部分，會比較沒有深入的下去講，但還是會把重要的證明講過，如果有問題都還是可以跟老師討論，老師人相當好，願意回答很多問題。 相較於隔壁林軒田老師的機器學習，這邊應該比較重實作，另一邊可能比較重理論和數學，另一邊還有手寫的證明題作業等等。 個人認為都可以根據自己的需求，選自己想修的那種機器學習這樣。 --

※ 發信站: 批踢踢實業坊(ptt.cc), 來自: 36.227.182.64 ※ 文章網址: https://webptt.com/m.aspx?n=bbs/EE_Comment/M.1485801213.A.EF1.html

※ 發信站: 批踢踢實業坊(ptt.cc) ※ 轉錄者: ntucorner (180.177.44.209), 02/01/2017 00:07:05